[论文解读] Joint degree distributions of preferential attachment random graphs

Erol A. Peköz, Adrian Röllin+1 more|arXiv (Cornell University)|Feb 19, 2014

Stochastic processes and statistical mechanics被引用 1

一句话总结

该论文建立了线性优先连接随机图中缩放联合度分布的弱收敛性，其极限分布可在无穷维序列空间中以简洁形式表示。论文为有限维分布提供了最优收敛速率，并在任意初始种子图和每个顶点固定初始边数的前提下，证明了两种附加规则（顺序与合并）下顺序统计量（包括最大度）的收敛性。

ABSTRACT

We study the joint degree counts in proportional attachment random graphs and find a simple representation for the limit distribution in infinite sequence space. We show weak convergence with respect to the p-norm topology for appropriate p and also provide optimal rates of convergence of the finite dimensional distributions. The results hold for models with any general initial seed graph and any fixed number of initial outgoing edges per vertex; we generate non-tree graphs using both a lumping and a sequential rule. Convergence of the order statistics and optimal rates of convergence to the maximum of the degrees is also established.

研究动机与目标

• 该论文旨在表征具有通用初始种子图和每个顶点固定初始边数的线性优先连接模型中的联合度分布。
• 其目标是建立在 p > ℓ/(ℓ+1) 条件下，缩放度序列在 p-范数拓扑下的弱收敛性。
• 研究关注此类模型中度的顺序统计量（尤其是最大度）的收敛性。
• 论文为度序列的有限维分布提供了最优收敛速率。
• 研究扩展至顺序与合并两种附加机制，揭示了各自不同的行为特征。

提出的方法

• 作者采用多色 Pólya 瓶模型来建模度过程，其中顶点权重随新边的添加而演化。
• 通过广义伽马和贝塔随机变量，推导出极限联合度分布的表示形式。
• 证明依赖于度计数的矩界，并利用 p-范数拓扑建立弱收敛性。
• 证明了在 l⁺_p 空间中排序函数的连续性，从而将度向量的收敛性与它们的顺序统计量的收敛性联系起来。
• 分析适用于两种模型：Model Nℓ（顺序附加）和 Model Lℓ（合并规则），二者表现出不同的极限行为。
• 通过矩估计和顺序统计量的统一逼近，推导出最优收敛速率。

实验结果

研究问题

• RQ1 在通用初始种子图和每个顶点固定初始边数下，线性优先连接图中的联合度计数的渐近行为如何？
• RQ2 在 p > ℓ/(ℓ+1) 条件下，缩放度序列在 p-范数拓扑下的极限分布是什么？
• RQ3 度序列的有限维分布如何收敛？最优收敛速率是什么？
• RQ4 度的顺序统计量（尤其是最大度）的极限行为如何？
• RQ5 顺序与合并附加规则如何导致不同的极限分布？

主要发现

• 联合度分布以 p-范数拓扑弱收敛至一个极限分布，该分布可利用广义伽马和贝塔随机变量以简洁形式表示。
• 极限分布由独立的贝塔与广义伽马变量的乘积构成，其显式依赖于初始种子图和附加规则。
• 为有限维分布建立了最优收敛速率，四阶矩的收敛速度被限制在 O((n/k)²) 以内。
• 当适当缩放时，最大度收敛于极限度序列的最大值，且在 p > (ℓ+1)/ℓ 时，该极限值在 l⁺_p 中几乎必然有限。
• 在 l⁺_p 空间中，排序函数是连续的，从而保证了度序列的顺序统计量收敛于极限的顺序统计量。
• 结果对顺序与合并附加规则均成立，二者表现出不同的极限行为，尤其在度分布的尾部行为上存在差异。